Краткое содержание

arXiv:2511.11717v1 Тип: новая статья Аннотация: Анализ данных одноклеточного секвенирования направлен на характеристику клеточной гетерогенности на основе высокоразмерных профилей экспрессии генов. Традиционные подходы представляют каждую клетку как вектор в евклидовом пространстве, что ограничивает их способность улавливать внутренние корреляции и многоуровневые геометрические структуры. Мы предлагаем многоуровневый подход, основанный на многообразиях Грассмана, который интегрирует машинное обучение с геометрией подпространств для анализа одноклеточных данных. Генерируя эмбеддинги на множественных уровнях представления, подход объединяет их признаки из различных геометрических перспектив в единое многообразие Грассмана. Вводится степенная функция выборки уровней для управления отбором масштабов и балансировки информации между разрешениями. Эксперименты на девяти эталонных наборах данных одноклеточного РНК-секвенирования демонстрируют, что предложенный метод эффективно сохраняет значимые структуры и обеспечивает стабильную производительность кластеризации, особенно для с